COMPONENTE CURRICULAR

Componente Curricular
MATD65 - TOPICOS ESPECIAIS EM ESTATISTICA - A
Carga Horária - Total: 30 horas
Teórica	Prática	Estágio	Departamento	Semestre Vigente
30	0	0	Estatística	2023.1
Ementa
Ementa livre de acordo com a disponibilidade do especialista na area.
Programa
Objetivo
Não há Objetivo cadastrado
Conteúdo
Introdução ao Data Mining. Data Mining e Estatística. O processo de KDD. Segmentação e sumarização de dados. Métodos de classificação supervisionada. Medidas de capacidade preditiva. 1. Introdução ao Data Mining 1.1. O que é Data Mining? 1.2. A interdisciplinaridade da técnica 1.3. Aplicações de Data Mining 2. Data Mining e Análise Estatística 2.1. Entendendo as diferenças 2.3. Questionando estratégias 3. Importância dos bancos de dados 3.1. Características em um banco de dados 3.2. Data Warehouse 3.3. Data Warehouse para Data Mining 3.4. OLAP - Processo Analítico Online 4. O processo KDD (Knowledge Discovery in Databases) 4.1. Seleção de dados 4.2. Pré-processamento de dados 4.3. Transformação de dados 4.4. Algoritmos de Data Mining 4.5. Assimilação de conhecimento 5. Procedimentos de segmentação de bases de dados 6. Métodos de classificação supervisionada 6.1. Árvores de decisão 6.2. Regressão probito 6.3. Regressão logística 6.4. Regressão logística limitada 7. Avaliação de modelos de classificação supervisionada 7.1. Medidas de capacidade preditiva 7.2. Curva ROC
Bibliografia
Bibliografia Básica 1. BRAMER, M. Principles of Data Mining.London: Springer-Verlag, 2ª edição, 2013, 440 p. (ebook) 2. JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. An Introduction to Statistical Learning: with Applications in R. new York: Springer-Verlag, 2013, 426 p. (ebook) 3. KUHN, M.; JOHNSON, K. Applied Predective Modeling. New York: Springer-Verlag, 2013, 600 p. (ebook) Bibliografia Complementar 1. CUZZOCREA, A.; DAYAL, U. (eds.). Data Warehousing and Knowledge Discovery. 14th International Conference, DaWaK 2012, Vienna, Austria, September 3-6, 2012, Proceedings. Berlin/Heidelberg: Springer-Verlag, 454 p. (ebook) 2. DOUGHERTY, G. Pattern Recognition and Classification: An Introduction. New York: Springer-Verlag, 2013, 196 p. (ebook) 3. GABER, M. M. Journeys to Data Mining: Experiences from 15 Renowned Researchers. Berlin/Heidelberg: Springer-Verlag, 2012, 244 p. (ebook) 4. GIUSTI, A.; RITTER, G.; VICHI, M. (eds.) Classification and Data Mining. Studies in Classification, Data Analysis, and Knowledge Organization. Berlin/Heidelberg: Springer-Verlag, 2013, 286 p. (ebook) 5. KLEINBAUM, D. G. Logistic regression: a self-learning text. Statistics in the health sciences. New York: Springer-Verlag, 1994, 282 p. 6. MICHIE, D.; SPIEGELHALTER, D. J.; TAYLOR, C. C. Machine Learning, Neural and Statistical Classification. New York: Ellis Horwood, 1994, 289 p.

Lista de Turmas - Semestre 20251
Dia	Horário	Turma	Docente	Vinculação	Título
SEX	07:00 às 08:50	T01	Denise Nunes Viola	REGIME JURIDICO UNICO	Doutorado